康維生物獲貝瑟默創投及科技領袖注資2500萬美元

人工智慧在藥物研發領域正急速發展，隨著製藥與生物科技公司試圖縮短研發週期數年並提升成功率，同時面對不斷攀升的成本壓力。目前已有超過200家新創企業競相將人工智慧直接整合至研究工作流程，吸引投資者日益關注。Converge Bio是最新把握此趨勢的公司，在人工智慧驅動的藥物發現領域競爭加劇之際成功獲得新一輪融資。

這家總部位於波士頓與特拉維夫的新創公司，透過運用以分子數據訓練的生成式人工智慧協助製藥與生物科技企業加速藥物開發，在貝瑟默創投領投下完成超額認購的2500萬美元A輪融資。TLV Partners與Vintage Investment Partners亦參與投資，並獲得Meta、OpenAI及Wiz匿名高管的額外支持。

實際運作中，Converge透過DNA、RNA及蛋白質序列訓練生成式模型，再將其整合至製藥與生物技術工作流程以加速藥物開發。

Converge Bio執行長暨共同創辦人Dov Gertz在TechCrunch獨家專訪中表示：「藥物開發生命週期涵蓋明確階段——從目標識別與發現到製造、臨床試驗及後續流程——每個階段皆存在我們能支援的實驗環節。我們的平台持續橫跨這些階段擴展，協助新藥更快進入市場。」

目前Converge已推出面向客戶的系統，該新創公司已發表三套獨立人工智慧系統：分別專注於抗體設計、蛋白質產量優化，以及生物標記與目標發現。

「以我們的抗體設計系統為例，它並非單一模型，而是由三個整合組件構成：首先，生成模型創造新型抗體； 接著，預測模型依據分子特性篩選抗體；最後，基於物理學模型的對接系統模擬抗體與靶點間的三維相互作用。」執行長葛茲補充道。他強調價值在於整體系統而非單一模型：「客戶無需自行組裝模型，我們提供可直接整合至工作流程的即用型系統。」

這筆新資金是在該公司於2024年完成550萬美元種子輪融資約一年半後到位。  

加入 Disrupt 2026 候補名單

立即加入Disrupt 2026候補名單，搶先掌握早鳥票開售資訊。 歷屆Disrupt大會曾邀得Google Cloud、Netflix、Microsoft、Box、Phia、a16z、ElevenLabs、Wayve、Hugging Face、Elad Gil及Vinod Khosla等業界巨擘登台——逾250位領袖驅動200多場專題議程，助您加速成長並強化競爭優勢。更可與橫跨各領域的數百家新創企業建立連結。

加入Disrupt 2026候補名單

立即加入 Disrupt 2026 候補名單，搶先掌握早鳥票開售資訊。 歷屆Disrupt盛會曾邀集Google Cloud、Netflix、Microsoft、Box、Phia、a16z、ElevenLabs、Wayve、Hugging Face、Elad Gil及Vinod Khosla等業界巨擘登台——逾250位領袖驅動的200餘場議程，專為助您加速成長、強化競爭優勢而設計。更可與橫跨各領域的數百家創新新創企業建立連結。

自成立以來，這家兩歲初創企業已實現快速擴張。Gertz表示，Converge已與40家製藥及生物科技公司建立合作夥伴關係，目前平台上管理著約40個專案。其客戶遍及美國、加拿大、歐洲及以色列，現正積極拓展亞洲市場。

團隊規模亦快速擴張，從2024年11月的9名員工增至34人。在此過程中，Converge開始發布公開案例研究。格茨指出，其中一項案例中，該新創企業協助合作夥伴在單次運算迭代中將蛋白質產量提升4至4.5倍；另一案例則成功生成結合親和力達單納摩爾級別的超高親和力抗體。

人工智慧驅動的藥物發現正展現強勁動能。去年禮來公司與英偉達合作，打造業界號稱最強大的藥物發現超級電腦。2024年10月，Google DeepMind旗下AlphaFold專案開發團隊更憑藉能預測蛋白質結構的人工智慧系統，榮獲諾貝爾化學獎。

當被問及這股勢頭如何影響Converge Bio的發展時，格茨表示公司正見證生命科學史上最大的財務契機，整個產業正從「試錯法」轉型為數據驅動的分子設計。

「我們強烈感受到這股動能，尤其在收件匣中。一年半前創立公司時，外界仍存有相當程度的懷疑，」格茨向TechCrunch透露。他補充道，得益於Converge等企業與學術界的成功案例，這份懷疑已迅速消散。

大型語言模型因能分析生物序列並提出新分子而受到藥物發現領域的關注，但「幻覺」現象與準確性等挑戰依然存在。「在文本中，幻覺通常容易被發現，」這位執行長表示。 「在分子領域，驗證新化合物可能耗時數週，成本遠高於文字分析。」為解決此問題，Converge結合生成式模型與預測式模型，透過篩選新分子降低風險並提升合作夥伴成果。「此篩選機制雖非完美，但能顯著降低風險並為客戶創造更佳成效。」格茨補充道。

TechCrunch同時探詢了對LLM持保留態度的專家如Yann LeCun的觀點。「我極敬重Yann LeCun，完全認同他的見解。核心科學理解不應依賴文本模型。要真正掌握生物學，模型必須以DNA、RNA、蛋白質及小分子進行訓練。」Gertz如此闡釋。

基於文本的LLM僅作為輔助工具使用，例如協助客戶梳理已生成分子的文獻資料。「它們並非我們的核心技術，」格茨強調，「我們不受單一架構束縛，會根據需求靈活運用LLM、擴散模型、傳統機器學習及統計方法。」

「我們的願景是讓每家生命科學機構都將Converge Bio作為其生成式AI實驗室。實體實驗室將永遠存在，但它們將由能透過計算創建假說與分子的生成式實驗室所輔助。我們致力成為整個產業的生成式實驗室。」格茨表示。